Subagentes: quando vale dividir o trabalho entre agentes

Dois números do mesmo experimento, e é a leitura conjunta que interessa.

A Anthropic publicou como montou o sistema de pesquisa do Claude: um agente líder que planeja e dispara três a cinco subagentes em paralelo, cada um com seu próprio contexto, e depois sintetiza. Contra um agente único do mesmo porte, o arranjo com subagentes rendeu 90,2% mais na avaliação interna de pesquisa.

O segundo número: esse arranjo consome cerca de 15 vezes mais tokens que uma conversa comum. E o mais revelador — o gasto de token explica sozinho cerca de 80% da variação de desempenho.

Coloque os dois lado a lado e a conclusão é desconfortável para quem vende arquitetura: a maior parte do ganho não vem de esperteza de desenho. Vem de gastar mais computação.

A tese em uma frase: subagentes não são uma arquitetura mais inteligente — são desempenho comprado com computação, e essa compra só se paga numa forma específica de problema.

O que é um subagente, sem mistério

O conceito de agente já está estabelecido — se ele for novo para você, o lugar de começar é o que são agentes de IA, que cobre componentes, padrões e riscos.

Subagentes são a camada de cima disso: um agente que aciona outros agentes. O desenho mais usado tem nome — orquestrador-trabalhador — e três etapas:

1. O líder planeja. Recebe a tarefa e decide como parti-la.
2. Os trabalhadores exploram em paralelo. Normalmente de três a cinco, cada um com seu próprio espaço de contexto.
3. O líder sintetiza. Junta o que voltou numa resposta única — no sistema da Anthropic, com um passo separado só para as citações.

O item 2 é a razão de existir da coisa toda. Um agente só tem um contexto, e contexto é finito: chega um ponto em que a informação da tarefa não cabe. Com subagentes você não amplia o contexto — você multiplica quantos contextos estão trabalhando ao mesmo tempo.

É uma solução de capacidade, não de inteligência. Vale guardar essa distinção, porque ela explica quando funciona.

Os dois números, e o que eles dizem juntos

Fonte: How we built our multi-agent research system, Anthropic, junho de 2025. O número de 80% é da avaliação BrowseComp.

A terceira linha é a que raramente aparece em apresentação de fornecedor, e é a mais honesta. Se 80% da variação de desempenho é explicada por quanto token foi gasto, então "usamos arquitetura multiagente" diz muito menos do que parece. Diz, principalmente, que se gastou mais.

Isso não desqualifica a técnica — 90% de ganho é enorme e real. Mas reposiciona a decisão: não é escolha de arquitetura, é escolha de orçamento. A pergunta certa não é "multiagente é melhor?", e sim "esta tarefa vale 15 vezes o custo?".

Para a maior parte do trabalho de escritório, a resposta é não. Para uma pesquisa que decide um investimento, pode ser um sim tranquilo.

Os números são de uma avaliação interna, numa tarefa de pesquisa específica, com modelos daquele momento. A ordem de magnitude é o que importa — não espere reproduzir 90,2% no seu caso, e não descarte a técnica se o seu ganho for menor.

A forma de problema em que subagentes se pagam

O próprio relato é claro sobre onde o arranjo brilha: perguntas de amplitude — aquelas em que a resposta exige explorar muitos caminhos independentes ao mesmo tempo, e cuja informação total não caberia num contexto só.

Três características, e as três precisam estar presentes:

• Amplitude, não profundidade. "Levante os 20 fornecedores desse mercado e compare" divide bem. "Resolva este bug" não — é uma linha de investigação, não vinte.
• Independência entre as partes. Se o subagente 2 precisa do que o 1 descobriu, não há paralelismo: há fila com burocracia.
• Volume que estoura um contexto. Se tudo cabe numa conversa, você está pagando coordenação para resolver um problema que não tem.

Quando falta qualquer uma das três, subagentes viram custo sem contrapartida. E a mais fácil de errar é a segunda: tarefas parecem paralelas no plano e se revelam encadeadas na execução.

O custo que não entra no slide

Além dos tokens, subagentes trazem um custo estrutural fácil de subestimar: coordenação.

Cada subagente que você dispara faz o seguinte ciclo:

• monta contexto de novo — ele não sabe o que o líder sabe, então precisa ser informado;
• explora — inclusive redescobrindo coisas que outro subagente já achou;
• reporta — escreve um relatório;
• e então o líder lê esse relatório e tenta reconciliá-lo com os outros quatro.

Nada disso é o trabalho. É o preço de ter dividido o trabalho. Em tarefa grande, ele dilui; em tarefa pequena, ele é a tarefa.

Tem também um modo de falha específico, e ele conversa com quando o agente erra sem avisar: quanto mais agentes, mais relatórios — e relatório confiante e errado é exatamente o que ninguém percebe. A régua de conferência de alucinação de IA não some porque a arquitetura ficou sofisticada; ela fica mais necessária, e mais caro de aplicar.

O problema inverteu: agora o risco é dividir demais

Vale registrar uma mudança recente, porque ela muda qual erro você precisa vigiar.

Nas gerações anteriores de modelo, o problema era o contrário: eles evitavam delegar, e quem montava agente precisava instruir explicitamente "use subagentes quando a tarefa se abrir em frentes independentes". Orientação de "delegue mais" era comum e necessária.

Os modelos mais recentes reverteram isso. Eles reconhecem a oportunidade de dividir com facilidade — e, deixados sozinhos, dividem mais do que o problema pede. O resultado prático é o custo de coordenação da seção anterior, multiplicado: cinco subagentes montando contexto e escrevendo relatório para uma tarefa que um resolveria.

Duas consequências para quem já tem algo montado:

• Instrução antiga de "delegue mais" agora atrapalha. Se ela está no seu prompt de sistema, ela está empurrando o modelo na direção que ele já tende a ir.
• O que falta hoje é teto, não estímulo. Dizer "não use subagente para trabalho que você resolveria em poucas consultas; delegue só quando as frentes forem independentes e grandes" rende mais que qualquer incentivo.

É o mesmo tipo de correção que vale para prompt em geral: instrução escrita para compensar um comportamento antigo vira excesso quando o comportamento muda. O contexto disso está em como usar IA no trabalho.

Os limites que o próprio produto impõe

Um sinal de que coordenação não escala infinitamente: as plataformas que oferecem isso põem teto, e o teto mais interessante é o de profundidade.

Na plataforma de agentes gerenciados da Anthropic, a delegação é de um nível só — um agente coordenador pode acionar vários trabalhadores, mas um trabalhador não pode virar coordenador de outros. Não é uma sugestão: tentar montar essa árvore é rejeitado na validação. Há também limites de quantos agentes distintos entram na composição e de quantos rodam ao mesmo tempo.

Fabricante que limita a própria feature está dizendo algo. Nesse caso: hierarquia profunda de agentes não funciona bem o suficiente para ser liberada — a coordenação degrada antes do ganho aparecer.

E numa empresa pequena?

Sendo direto: hoje, quase nada — e é melhor saber antes de investir.

Subagentes resolvem escala de exploração. A maior parte do trabalho de uma PME não tem essa forma: é procedimento repetido, atendimento, proposta, fechamento. Para isso, três coisas rendem muito mais pelo mesmo esforço:

• Padronizar o procedimento, para que ele não more na cabeça de uma pessoa — é o assunto de Agent Skills.
• Ligar a IA aos dados que já existem, com os quatro caminhos de como conectar IA aos dados da empresa.
• Decidir o que sequer deveria ser automatizado, antes de qualquer ferramenta: o que não automatizar e mapeamento de processos.

Existe uma exceção que vale reconhecer, porque ela aparece de verdade em empresa pequena: pesquisa ampla pontual. Levantar um mercado, comparar vinte fornecedores, varrer um edital grande. É tarefa de amplitude, é independente, estoura contexto — e não precisa de projeto nenhum, porque já vem embutida nos produtos de pesquisa que usam esse arranjo por baixo. Você usa subagentes sem montar nada.

Se a curiosidade for técnica, o caminho mais curto é a trilha de 20 minutos sobre subagentes no catálogo gratuito que eu mapeei em cursos gratuitos de IA da Anthropic.

O ponto que fica

O número que eu levaria de tudo isso não é o +90,2%. É o 80%: se a maior parte da variação de desempenho é explicada por quanto token foi gasto, então subagentes são, antes de qualquer coisa, uma decisão econômica.

Isso simplifica bastante a avaliação. Diante de qualquer proposta que envolva "arquitetura multiagente", duas perguntas resolvem: as partes desta tarefa são realmente independentes, e o resultado vale multiplicar o custo?

Se as duas respostas forem sim, divida — e você vai ver ganho de verdade. Se qualquer uma for não, um agente bem instruído com um procedimento bem escrito entrega mais, por uma fração do preço.